havva alizadeh noughabi
-
امروزه سیستم های پشنهاددهنده ی لیست های توئیتر با بکارگیری اطلاعات مختلف کاربران و لیستها و همچنین اعمال الگوریتمهای پیچیده، توانسته اند به دقت بالایی در پیش بینی برسند و پیشنهادهای مرتبط با هر کاربر را تولید کنند، اما قابلیت توضیح پذیری در این سیستم ها به عنوان یک چالش مطرح می باشد. توضیح مناسب به همراه یک لیست پیشنهادشده علاوه بر افزایش اعتماد و رضایت کاربران، می تواند به آنها در تصمیم گیری آگاهانه کمک نماید. از این رو در این مقاله، یک مدل تولید توضیح ارائه می‌شود که به ایجاد خودکار یک توصیف برای لیست پیشنهادشده بصورت شخصی سازی شده برای کاربر مدنظر می پردازد. بطور دقیقتر، این مدل با انتخاب هشتگهای پرتکرار از محتوای لیست که ارتباط معنایی با تاریخچه فعالیت های قبلی کاربر دارد، سعی میکند موضوع لیست را به گونهای قابل درک و شخصی سازی شده در قالب یک توضیح همراه با لیست پیشنهادشده نمایش دهد. پس از جمع آوری یک مجموعه داده واقعی از شبکه توئیتر، با انجام آزمایش ها نشان داده شد که مدل پیشنهادی قادر به تولید توضیح برای درصد بالایی از پیشنهادهای ایجادشده براساس یک مدل پیشنهاددهنده پایه میب اشد.
کلید واژگان: سیستم های پیشنهاددهنده توضیح پذیر, توضیح شخصی سازی شده, لیست توئیتر, شباهت معنایی هشتگ هاTwitter List recommender systems have achieved high prediction accuracy by leveraging diverse user and List information alongside complex algorithms. However, explainability remains a significant challenge in these systems. Providing meaningful explanations along with a set of recommendations can enhance user trust and satisfaction, assisting them in informed decision-making. In this paper, we present a model for the automated generation of personalized descriptions as explanations for recommended Twitter Lists. Specifically, our model selects frequently used hashtags from the content of the recommended List, establishing semantic relationships with the user's activity history. The aim is to present the List's subject in an understandable and personalized manner through a generated description. Through experiments conducted on a real Twitter dataset, our proposed model demonstrates its capability to generate explanations for a high percentage of the recommendations provided by a recommendation model.
Keywords: Explainable Recommender System, Personalized Explanation, Twitter List, Semantic Similarity Of Hashtags -
در حوزه هایی که اطلاعات زیادی وجود دارد و تصمیمگیری های ضعیف باعث پیامدهای جدی می‌شود، مسئله داده آمیزی بسیار حیاتی است. به طورکلی داده آمیزی اطلاعات چندین منبع را یکپارچه میکند و این عمل به منظور فراهم آوردن داده های مشخص و قابل درک درباره موجودیتها و روابط بین آنها انجام می شود و در نهایت، منجر به استخراج دانش جدید نیز خواهد شد. یکی از رایجترین مدل های داده آمیزی ، مدل JDL است. امروزه یک روند رو به رشد از فناوری های وب معنایی در حال شکلگیری است و در زمینه های مختلفی از آنها برای رفع مشکلات معنایی استفاده می‌شود. در این تحقیق استفاده از فناوری های وب معنایی برای رفع چالش معنایی مدل داده آمیزی JDL استفاده شده است. در این مقاله با افزودن معنا، گنجاندن آنتولوژی، به کارگیری استنتاج گر معنایی و سایر فناوری های وب معنایی به مدل JDL، یک ساختار دادهآمیزی معنایی ارائه می‌شود. برای پیادهسازی ساختار پیشنهادی از کتابخانه متنباز Jena و زبان جاوا استفاده شد و برای طراحی آنتولوژی ها و همچنین قوانین لازم برای استنتاج گر از دانش افراد خبره در حوزه نظامی، کمک گرفته شد. آنگاه با طراحی سناریوهای نظامی مختلف، کارایی و قابلیت عملکرد ساختار ارائه شده موردبررسی قرار گرفت.کلید واژگان: آنتولوژی, استنتاج معنایی, داده آمیزی, کتابخانه Jena, مدل JDL, وب معنایی سامانه, از طریق یکپارچه سازی بخش های مختلف اطلاعاتی, ارتباطی و عملیاتی و برقراری تعامل پذیری بین آنها, زمینه برای تصمیم گیری, کنترل, هدایت موثر و ترل, فرماندهی, قابلیData fusion techniques combine raw data of multiple sources and gather related information to achieve more specific inferences than could be achieved by using a single source. In the fusion research community, JDL is a common model, but it suffers from semantics issues. Using Semantic Web (SW) technologies for the extraction of implicit knowledge is a new approach to overcome this problem. SW technologies purpose to describe and represent the semantics related with data or information in order to facilitate automatic processing, integration, sharing and reuse of the data. So in this paper, a semantic fusion model is proposed based on JDL, which can overcome the semantic problems in heterogeneous systems by using SW technologies including ontology and semantic reasoning. Finally, military scenario is designed and implemented to display the functionality of the proposed model practically. In implementation, Jena framework was utilized for semantic programming to describe ontology and have a semantic reasoner.Keywords: Data Fusion, JDL model, Semantic Web technologies, Ontology, Semantic Reasoning
- در این صفحه نام مورد نظر در اسامی نویسندگان مقالات جستجو می‌شود. ممکن است نتایج شامل مطالب نویسندگان هم نام و حتی در رشته‌های مختلف باشد.
- همه مقالات ترجمه فارسی یا انگلیسی ندارند پس ممکن است مقالاتی باشند که نام نویسنده مورد نظر شما به صورت معادل فارسی یا انگلیسی آن درج شده باشد. در صفحه جستجوی پیشرفته می‌توانید همزمان نام فارسی و انگلیسی نویسنده را درج نمایید.
- در صورتی که می‌خواهید جستجو را با شرایط متفاوت تکرار کنید به صفحه جستجوی پیشرفته مطالب نشریات مراجعه کنید.
©2000-2025 magiran.com All Rights Reserved.